Cartesia发布Sonic-3.6流式TTS模型，登顶两大语音合成评测榜

登顶双榜单：Controlled Voice成绩更具技术说服力

Cartesia近日发布Sonic-3.6，为其实时文本转语音（TTS）模型的最新版本，距上一版Sonic-3.5发布约三个月。该版本核心提升在于语音自然度，并已通过第三方评测验证：Sonic-3.6在Artificial Analysis语音评测平台两大榜单均位列第一——Provider Voice榜得分为1283 Elo，Controlled Voice榜为1123 Elo。后者更具技术参考价值：该榜单将所有参评模型统一克隆至相同的八个基准音色，从而剥离音色库影响，纯粹评估语音合成引擎能力。在此榜单中，Sonic-3.6领先，Sonic-3.5位居第二，ElevenLabs Eleven v3排名第三。

架构与性能：状态空间模型驱动低延迟

Sonic系列未采用主流的Transformer架构，而是基于状态空间模型（State Space Models, SSMs）。Cartesia强调，传统TTS中速度与自然度、精度与成本之间的权衡并非技术必然，而是源于架构选择。其实际体现为极低的端到端响应延迟：官方宣称Sonic-3.6文本到首音频（Time-to-First-Audio, TTFA）延迟低于90毫秒；配套的语音识别模型Ink-2则实现约100毫秒转录延迟。需注意，这些为厂商声明的模型内部延迟，非端到端全链路实测值。

面向生产环境的关键功能

Sonic-3.6的设计聚焦真实业务场景，尤其适配对话式AI代理（Agent）需求：支持内联情感表达标签（如[laughter]）；仅需约10秒音频即可完成即时音色克隆；提供自定义发音词典，支持国际音标（IPA）级覆盖（例如<<s|ə|ˈ|p|i|n|ə>>精准读出“subpoena”）；通过API及LiveKit Agents等插件开放语速、音量、情绪参数调节；原生正确朗读字母数字组合（如订单号、电话号码、验证码），无需预处理。官方演示显示其英语输出具备自然停顿与填充词，并支持印地语-英语混合（Hinglish）语码转换。

商业化路径与定价结构

Sonic为闭源商业模型，不提供开源权重或Hugging Face仓库，仅以托管API形式交付，暂无自托管选项。服务分层面向不同客户：个人开发者与初创团队可选免费版或5美元/月Pro版；成长型客服中心适用49美元/月Startup版或299美元/月Scale版；受监管行业企业（如金融、医疗）可签署数据处理协议（DPA）、业务伙伴协议（BAA）并集成单点登录（SSO）。按用量计费采用信用点制：Scale版月费299美元含约10,667分钟TTS调用及15路并发请求；独立线路语音代理另计0.06美元/分钟。Artificial Analysis测算其单位成本为49美元/百万字符，约为ElevenLabs Eleven v3（100美元）的一半，显著高于Speechify Simba 3.2（10美元，1240 Elo）。

当前可用性与注意事项

Sonic-3.6目前处于Beta阶段，仅通过Cartesia API提供；其官方文档仍标注Sonic-3.5为稳定版，部分合作伙伴亦仅上线3.5版本。所有性能数据（含延迟指标）均为厂商声明值，实际部署需用户自行测试端到端延迟。全部数据经核实截至2026年8月18日。